Optikusatrophien treten bei zahlreichen Erkrankungen des Sehnervs auf, darunter Glaukom, nicht-arteriitische anteriore ischämische Optikusneuropathie (NAION) und Optikusneuritis. Diese Krankheitsbilder gehören zu den häufigsten Ursachen irreversibler Sehverluste. Ihre zuverlässige Unterscheidung ist klinisch essenziell, da Verlauf, Therapieoptionen und Prognosen deutlich variieren. In der Praxis gestaltet sich die diagnostische Abgrenzung jedoch häufig schwierig.
Strukturveränderungen am Sehnervenkopf können sich überlappen, und zweidimensionale OCT-Analysen erfassen subtile volumetrische Veränderungen nicht immer ausreichend. Obwohl die optische Kohärenztomografie weltweit zum Standard gehört, basieren viele Auswertungen weiterhin auf segmentierten Einzelschnitten. Damit bleibt ein beträchtlicher Teil der verfügbaren 3D-Information ungenutzt. Vor diesem Hintergrund rückt die Frage in den Fokus, ob moderne Deep-Learning-Verfahren, die das vollständige OCT-Volumen einbeziehen, eine präzisere Differenzierung ermöglichen.
Ansatz zur präziseren Abgrenzung von Glaukom, NAION und Optikusneuritis
Eine in den USA, Kanada und weiteren internationalen Zentren durchgeführte und in 'JAMA Ophthalmology' veröffentlichte Studie nahm diese diagnostische Herausforderung systematisch in den Blick. Ziel war es zu prüfen, ob ein dreidimensionales Deep-Learning-Verfahren charakteristische Strukturmuster optischer Neuropathien besser erkennt als übliche regionenbezogene OCT-Analysen.
Im Zentrum stand die Unterscheidung von Glaukom, NAION, Optikusneuritis und gesunden Augen. Die zugrunde liegende Annahme: Atrophiesignaturen beschränken sich nicht allein auf den Sehnervenkopf, sondern betreffen auch angrenzende retinale Schichten. Durch den direkten Vergleich eines volumetrischen Modells mit zwei begrenzten Ansätzen sollte ermittelt werden, ob die vollständige 3D-Auswertung diagnostische Vorteile bietet.
Datenbasis und methodisches Vorgehen zur Bewertung der Deep-Learning-Modelle
Die retrospektive, multizentrische Querschnittsanalyse umfasste OCT-Daten aus randomisierten Studien, longitudinalen Kohorten und Zuweisungszentren (2008–2025). Insgesamt flossen 7.014 Cirrus-OCT-Volumina aus 1.382 Augen ein, darunter Glaukom (n = 113), NAION (n = 311), Optikusneuritis (n = 163) und gesunde Kontrollen (n = 715). Das mittlere Alter betrug 54,2 Jahre (SD 16,9), 65 % der Patienten waren männlich.
Für die Auswertung wurden drei ResNet-3D-18-Modelle eingesetzt, die unterschiedliche Bildbereiche analysierten: das vollständige OCT-Volumen, die peripapilläre Region und den Sehnervenkopf (ONH). Alle Modelle wurden in identischen 5-fach-stratifizierten Datensplits trainiert, um eine direkte Vergleichbarkeit sicherzustellen.
Als primäre Endpunkte dienten Klassifikationsgenauigkeit, AUC-ROC, Präzision, Recall und F1-Score. Ergänzend wurden Fehlklassifikationen über Konfusionsmatrizen bewertet; Aktivierungskarten zeigten die für die Modelle relevanten Bildregionen.
Vorteile der vollständigen OCT-Volumenanalyse gegenüber regionalen Modellen
Das Modell, das das gesamte OCT-Volumen auswertete, erzielte die höchste Gesamtleistung. Die Genauigkeit betrug 88,9 %, die makrogewichtete AUC-ROC 0,977 (95- %-KI 0,974–0,979). Die F1-Scores lagen bei 0,94 für Glaukom, 0,87 für NAION, 0,78 für Optikusneuritis und 0,91 für gesunde Augen.
Die beiden regionalen Modelle erreichten niedrigere Werte: Das peripapilläre Modell kam auf 85,9 % Genauigkeit (AUC-ROC 0,970), das ONH-Modell auf 87,0 % (AUC-ROC 0,972). Die entsprechenden F1-Scores bewegten sich zwischen 0,71 und 0,94.
Besonders herausfordernd blieb die Klassifikation der Optikusneuritis. Bei ausgeprägtem axonalem Verlust wurde sie vereinzelt als NAION eingeordnet; bei minimalen Veränderungen gelegentlich als gesund. Die Aktivierungskarten zeigten, dass für die Modellentscheidungen nicht nur Strukturen am Sehnervenkopf relevant waren, sondern auch Veränderungen in der Nervenfaserschicht, der Ganglienzellschicht und im retinalen Pigmentepithel. Dies stützt die Annahme, dass Atrophiesignaturen mehrere retinale Ebenen betreffen.
Einordnung der Ergebnisse und möglicher Nutzen für die klinische Diagnostik
Die Untersuchung belegt, dass die Analyse unsegmentierter OCT-Volumina mittels 3D-Deep-Learning eine hohe Genauigkeit bei der Differenzierung optischer Neuropathien ermöglicht. Der Vorteil gegenüber regionenbeschränkten Verfahren wird insbesondere dort deutlich, wo Krankheitsbilder morphologisch überlappende Strukturen zeigen. Die volumetrische Auswertung erfasst subtile Veränderungen, die in 2D- oder segmentierten Analysen nicht zuverlässig abgebildet sind, und kann die diagnostische Beurteilung damit unterstützen.
Für die klinische Praxis ergibt sich daraus ein Hinweis auf den potenziellen Mehrwert umfassender volumetrischer Bilddaten bei der Abgrenzung neuro-ophthalmologischer Erkrankungen. Wie sich der Ansatz langfristig in diagnostische Abläufe integrieren lässt, bleibt Gegenstand weiterer Forschung.
